配备机器学习算法的自动驾驶汽车可以做出更好的决策、识别和分类物体，以及解释情况。
在世界的日常运作中，人类已经取得了长足的进步，技术的融合只会越来越紧密。人工智能及其子类机器学习在整个创新时代引起了巨大的涟漪，以至于连自动驾驶汽车都成为了未来。一些跨国企业，如Tesla、Google，已经启动了Waymo One等自动驾驶项目，以促进由于机器学习而成为可能的自动驾驶出租车服务。下面展开其在这一创新中的作用。
机器学习如何改变自动驾驶汽车的游戏规则
自动驾驶汽车，也被称为自动驾驶汽车或
机器人汽车，是一个集成机器学习、车辆自动化硬件和软件的整体。汽车的硬件不断收集周围环境的数据，而软件则对收集到的数据进行分类，进一步部署到机器学习算法中。ML算法本质上是通过从先前事件中收集到的数据来增强其决策制定，并确定最佳的数据驱动行动。简单地说，ML算法会随着数据的增加而提高其有效性。
在现实世界中，影响汽车即将取得成功的技术是传感摄像头、雷达和激光雷达，使其能够清楚地评估速度、位置、尺寸和更多周围环境。通过雷达波脉冲协助在夜间探测被遮蔽的物体，并确定物体的速度和位置。此外，这些汽车利用惯性测量单元来控制车辆的加速度和位置。
用于自动驾驶的关键机器学习算法
自动驾驶汽车中的机器学习是多种算法的协作，有助于自动驾驶的有效运行。
AdaBoost
AdaBoost是一种用于增强自动驾驶汽车的学习过程和性能的基本算法，可以消除机器学习的不足之处。其结合了各种低级算法的输出，集成更有效的算法，以实现汽车的成功预测和决策。
SIFT
SIFT即尺度不变特征变换，通过与数据库的对应来检测部分模糊的对象。该算法通过给无数个对象分配多个点来进行图像匹配，这些点有助于算法识别对象。从本质上说，如果一辆静止的车辆部分隐藏在一块巨石后面，自动驾驶汽车就会通过车辆上的点搜索其数据库。
TextonBoost
与AdaBoost类似，TextonBoost算法将多个低性能的分类器合并为一个高性能的分类器，以准确地识别对象。其利用物体的背景、形状和外观，并通过其特征来识别。
YOLO
YOLO是识别和分组对象的最佳算法之一，其通过将图像划分为片段来分析图像。每个片段都有边界框和预测来对图像进行分类。
总之，我们只探索了人工智能和机器学习技术的冰山一角，但自动驾驶汽车无疑正在为未来铺平道路。
